بخشی از مقاله
چکیده:
در سیستمهای تشخیص و تأیید هویت با تصاویر عنبیه، آنچه اهمیت دارد صحت عملکرد سیستم یا همان پایین بودن خطای تشخیصی سیستم و نیز سرعت پردازش آن میباشد. الگوریتم SIFT یکی از روشهای استخراج ویژگیهای محلی از تصاویر است که مقاومت بالایی در برابر عوامل مزاحمی چون غیریکنواختی شدت، پوشش بخشی از تصویر، چرخش و تغییر اندازه تصویر دارد. در این مقاله برای استخراج ویژگیها ابتدا از این الگوریتم بهره برده شده است.
سپس با بررسی هندسی نقاط تطابق یافته با این الگوریتم و نیز بکارگیری منطق فازی، دقت این الگوریتم افزایش داده شده است؛ همچنین با کاهش ابعاد ویژگیها از طریق موجک هار، زمان پردازش نیز کاهش یافته است. در نهایت از ترکیب این روش با روش Log Gabor بوسیله شبکه عصبی- فازی، تفکیک بیشتری بین تصاویر درون کلاسی و تصاویر برون کلاسی - افراد مختلف - ایجاد شده است، بنابراین دقت سیستم مجددا بهبود داده شده است. دقت 98,755 درصدی حاکی از عملکرد مطلوب سیستم است.
مقدمه
امروزه شناسایی بر مبنای عنبیه، در بسیاری از کاربردهای حساس و حیاتی از قبیل کنترل دسترسی1، شناسایی افراد2، عبور از مرز3، گذرنامه الکتریکی4 و غیره، نقش بسیار مهمی دارد .[1] روش های مختلفی نیز برای این منظور ارائه شده است؛ در [2] داگمن، پس از مکانیابی عنبیه و پلک ها با اپراتور انتگرال- دیفرانسیل5 و تبدیل عنبیه از فرم دایره ای به مستطیلی با ابعاد ثابت - نرمالیزیشن - 6، از فیلتر گابور7 برای استخراج ویژگی بهره برده و در نهایت پس از کد کردن آنها، از فاصله همینگ برای تطابق8 دو تصویر استفاده کرده است.
وایلدز [3] برای مکانیابی عنبیه از تبدیل هاف9 دایره ای و برای استخراج ویژگی از لاپلاسین چهارسطحی بهره برده است. لیم و همکارانش [4] از اعمال موجک هار10 در چهار سطح به تصویر برای حصول ویژگی استفاده کرده و بیان داشته نتایج بهتری نسبت به فیلتر گابور حاصل شده است. در [5]، ماسک نیز از تبدیل هاف دایره ای برای عنبیه و هاف خطی برای پلک ها و برای استخراج ویژگی از فیلتر Log Gabor استفاده کرده است. در [6] نجفی و غفرانی، از تبدیل هاف برای تشخیص عنبیه و از تبدیل کرولت11 و تبدیل ریجلت12 در استخراج ویژگی ها بهره برده اند.
در تمامی روش های فوق، الگوریتم های استخراج ویژگی نیازمند انجام نرمالیزیشن تصویر عنبیه، پیش از خود هستند. برای داشتن یک نرمالیزشن خوب، باید مکان عنبیه به درستی تشخیص داده شود، بنابراین روش های استخراج ویژگی مذکور به شدت نسبت به دقت گام مکان یابی عنبیه ، حساس هستند؛ همچنین در فرایند نرمالیزیشن نیز قسمتی از اطلاعات از دست میرود و نیز در صورت چرخش عنبیه در گام تطابق ویژگی ها، باید دقت را افزایش داد .[8][7][5]
در [7] استفاده از الگوریتم SIFT13 به عنوان روش استخراج ویژگی ای که نیازی به نرمالیزیشن قبل از خود ندارد، در سیستم شناسایی مبتنی بر عنبیه استفاده شده است، برای بهبود عملکرد آن نیز پس از قرار دادن دو تصویر کنار هم و اتصال نقاط تطابق یافته، به یکدیگر، با حذف نقاط شامل خطوط غیرموازی، تطابق های نادرست حذف شده اند. در [1] بیان شده است، بهبود کتنراست تصویر پیش از اعمال الگوریتم SIFT منجر به استخراج ویژگی های بهتر و مقاوم تر شده و عملکرد سیستم را بهبود می دهد.
در [8] لیو و همکارانش برای بهبود عملکرد سیستم، پیشنهاد استفاده همزمان از الگوریتم SIFT و فیلتر گابور را با استفاده از رگرسیون بردار پشتیان داده اند. با این کار هم از الگوی بدست آمده از کل عنبیه به صورت یکپارچه استفاده می شود و هم از الگوهای محلی بدست آمده از الگوریتم SIFT و نشان داده شده که دقت سیستم افزایش داشته است.
در این مقاله سیستمی مبتنی بر الگوریتم SIFT و Log Gabor پیشنهاد شده است که به منظور تفکیک هر چه بهتر تصاویر مرتبط - درون کلاسی - 14 از تصاویر برون کلاسی15، برای ادغام این دو روش، از سیستم عصبی- فازی استفاده شده است. در ضمن به منظور افزایش دقت الگوریتم SIFT با بکارگیری یک روش هندسی، تطابق های نادرست شمرده می شوند و همچنین استفاده از مقادیر فازی برای شباهت بین دو تصویر در خروجی الگوریتم پیشنهاد شده است. برای کاهش زمان پردازش نیز، کاهش ابعاد ویژگی استخراجی با استفاده از موجک هار پیشنهاد شده است.
در ادامه، در بخش 2، به معرفی الگوریتم SIFT پرداخته شده است. در بخش 3، یک دید کلی از سیستم های شناسایی هویت مبتنی بر تصاویر عنبیه ارائه شده است. بخش 4 نیز به معرفی الگوریتم پیشنهادی پرداخته است. در بخش 5 با بررسی نتایج بدست آمده از شبیه سازی ها، برتری و بهبود سیستم نسبت به قبل، بررسی شده است و در بخش 6 نیز جمع بندی و نتیجه گیری آورده شده است.
